实用数字化转型不仅是在开发和销售阶段，更是存在于整个产品或服务的生命周期中，需要系统地使用客户的数据和模型为客户创造和交付卓越的价值。
MathWorks首席战略师Jim Tung在“2020 MATLAB EXPO中国线上用户大会”的演讲与以往演讲内容稍有不同。他特意在“数字化转型(Digital Transformation)”前添加了“实用(Pragmatic)”二字，并认为这在当前尤为重要，而2011年成立于美国的智能门铃初创公司RING则成为他提及的第一个案例。
理想很丰满，现实很骨感
“门铃是一个简单的机电装置，只有一个按钮、一种功能。但如果给它增加了摄像头和运动传感器，再连接到云端，我们还能称其为门铃吗？”Jim Tung认为数字化转型不但彻底改变了传统门铃的功能定位，使得它不再是一个通知有人到访的简单装置，而是一个拥有高清视频、运动检测和智能手机接口的数字安全设备，同时也为此后亚马逊以略高于10亿美元的价格收购RING埋下了伏笔。
换句话说，亚马逊看到了获得额外收入的机会，远远不止是销售门铃设备这么简单。比如用户可以订阅相关计划和购买铃声警报工具包，提高安全性；或者将门铃连接到智能锁上，就可以提供更安全的送货服务；快递员使用智能锁将包裹送至家中，直接避免所有此类门廊盗窃。
一般来说，要成功实现数字化转型，需要人、过程和技术的集成。
目前来看，几乎所有的行业都在发生数字化转型：在工业自动化领域，通过使用数字孪生模型进行实时监控和配置；在汽车工业中，有企业采用地理围栏应用程序的全自动驾驶汽车；新能源领域，有使用预测性维护来提高能源效率的例子；医疗行业，使用智能腕带这样的医疗设备来检测情绪变化；航空业中管理整个机队的维修和运行；金融领域，使用实时数据分析进行更具预测性的风险管理和交易优化等等。
那么，企业为什么要进行数字化转型呢？Jim Tung认为有两大根本性的原因：一是企业想把事情做的更好，即对现有业务模型的优化，优化如何开发产品、如何提高产品质量以及如何交付这些产品；二是做一些全新的事情对产品进行完全的改造，而这在之前的市场上是不可能实现的。
然而“理想很丰满，现实很骨感”。根据麦肯锡2018年的一项研究，在审视数字化转型目标时，只有不到20%的企业达到了预期的目标，很多企业都纠结于是否要执行数字化转型计划。
“人们经常会对进行数字化转型项目所需的时间怀有不合理的期望，而且也不愿意改变公司角色。”Jim Tung说，转型艰难的另一个重要原因来自公司文化，比如员工可能不具备完成任务所需的技能、有些技术也许尚未经过全面测试、或者搞不清楚应该保留或更改流程中的哪些程序。这意味着如果没有在创建团队之外共享模型，那么整个组织就很难参与其中。此外，是否能够方便地获取数据对于数字化转型项目的成功来说至关重要，但这存在泄露敏感数据的风险，并且数据通常分布在许多不同的地方，很难将其整合到一个综合的视图中。
那么，企业会尝试通过什么方式来实现数字化转型呢？
在某些情况下，企业采取了一种大爆炸式的方法，即组织使用大型数据仓库或数据湖构建完整的基础架构来支持潜在的应用程序和工作流。但这一过程并未向组织或其客户提供价值，而且在很多情况下，基础架构也并不是他们真正需要的，这其实是一个非常危险的方法。在其他情况下，还有一种孤立的方法，即各个组尝试寻找本地优化，但他们尝试在各个组之间沟通时，最终陷入了过时的流程中。例如曾有一个团队通过构建模型和仿真向前推进，但随后只将这些模型和仿真作为PDF、PowerPoint演示文稿或其他静态报告与其他团队共享，这大大降低了模型和仿真所能提供的价值。
“实用”，贯穿于全生命周期之中
在Jim Tung看来，当前最好最实用的方法，是基于已建立的模型进行构建并采用已拥有的数据和分析方法，而非常规意义上孤立的使用这些东西。在各个组互相连接后，就可以挖掘出组织根本没有意识到的未开发价值。这种做法风险低，可逐步提供价值，更加“实用”。
“其实，实用数字化转型不仅是在开发和销售阶段，更是存在于整个产品或服务的生命周期中，需要系统地使用客户的数据和模型为客户创造和交付卓越的价值。”Jim Tung表示，数据多样性一直是机遇，也是挑战。工程数据、科学数据和现场数据来源众多，归属于不同的团队管理，可能在云端、本地或笔记本电脑上，质量也不完美，现代数据管理系统使这种复杂性成倍增加，而且还涉及许多系统和孤岛，它们可能需要访问权限。
GSK Consumer Healthcare是他列举的第二个客户示例，用以展示如何系统的使用数据进行数字化转型。该公司旗下的舒适达牙膏品牌收入超过10亿英镑，每年增长率约为8%，研发科学家Bob正在利用过程数据的洞察力“挤出最后一滴效率”，用他的话说，就是“我们最不想做的就是再建一家昂贵的牙膏厂。”
毫无疑问，GSK拥有海量数据，在他们的所有的工厂、配方和生产批次中，数据量以万亿字节计算。他们遇到的第一个挑战：是数据存储在不同的仓库和系统中，具有不同的登录访问权限。所以他们利用MATLAB把这些数据合并起来并进行清理，将配方、销售和生产方面的所有数据进行匹配和调整，以发现不同模式和见解。
遇到的第二个挑战：是数据比较。为了从他们的生产过程数据中心获得洞察，GSK需要比较每个批次的各个阶段。于是该公司在MATLAB中建立了一个算法来按阶段对数据进行排序和标记，并在所有的过程数据中运行该算法。现在，他们可以比较各个阶段的统计数据。
查看和探索数据是第三个挑战。为此，GSK在MATLAB中构建了一个图形用户界面，使过程工程师能够按配方组合、按批次、按操作人员、按产品快速地选择和监测数据，这有助于他们的团队快速迭代、查看实验结果并系统的查看相关数据，从而为决策提供建议。
因此，MathWorks增加了一些功能用以简化GSK的数据分析。 比如支持OPC-UA使用安全连接访问历史学家的数据；引入“Live Editor任务”，使得应用程序可以在脚本中运行，用于从清理数据到重定时数据或合并不同来源数据的数据预处理任务；新的Predictive Maintenance Toolbox来设计状况指标并估计机器的剩余使用寿命。
在全生命周期的数字化转型中，另一个重要的理念就是“基于模型的设计”。它的核心就是系统模型，可捕获高级系统行为以及详细的子系统。这些模型会连接到系统需求以进行跟踪和早期验证，子系统模型可以重用已自动生成软件或FPGA实现，这些模型也被重用于集成、验证和校验，无论是在模型级别还是在实际代码上运行，包括硬件在环测试、测试用例生成和功能安全认证过程。
由于认识到了人工智能的重要性， Jim Tung表示Mathworks为人工智能开发工作流建立了强有力的支持。此外还定义了各种方式，无论人工智能组件是如何开发的，都可以将它们集成到模型中以理解系统行为和执行方式，即使系统中的某些部分是手工编码的人工智能组件。
从下面列举的自动驾驶应用程序的强化学习示例中，我们能够感受到这种做法带来的真正能效。在该案例中，Simulink模型的子系统模型代表车辆、控制器以及感知系统，智能体（将实现策略的人工智能组件）是整个Simulink系统中的另一个子系统模型。该模型将被反复模拟。Mathworks的另一个汽车客户正在使用训练基于深度神经网络(DNN)的驱动程序，利用强化学习提高基于DNN的驱动程序的性能，并利用改进的DNN对传统控制器进行扩充。所有操作都在MATLAB和Simulink中完成。通过将模型（和数字主线）的使用扩展到运行中的系统，可以获得显著的收益。它们可用于预测性维护等应用，并创建用于优化系统运行、检测故障等过程的数字孪生模型，还可以将来自部署系统的数据反馈给开发团队，这些数据在开发系统升级或全新系统时非常有用。
“MathWorks有广泛的跨领域经验，与不同类型的企业互动并支持其发展。当我们和不同的企业和生态进行合作时，会面临一个挑战，就是让各自产业或领域的专家，和软件开发方面的专家进行合作。这就是为什么MATLAB和Simulink可以作为两种方法或者文化的桥梁，做一个很好的衔接。”Jim Tung强调说。
您可能感兴趣
